一句话改变 AI 创作潜力研究发现简单提示能显著提升输出多样性

快速阅读: 斯坦福大学和西弗吉尼亚大学研究团队提出“语言化采样”方法，通过简单提示显著提升AI模型输出多样性，增强创意写作、对话模拟等任务的表现，用户可调节概率阈值控制多样性，无需重训练模型。

近期,来自斯坦福大学和西弗吉尼亚大学等研究团队提出了一种名为 “语言化采样”(Verbalized Sampling,VS)的方法,旨在提升生成式 AI 模型的创作多样性。研究显示,通过在提示中加入一句简单的话:“生成5个响应及其对应的概率,从完整分布中采样”,可以让大型语言模型(LLMs)和图像生成模型在输出上表现出更丰富的创造力。

生成式 AI 模型在生成内容时,通常会依据预测的下一个信息单元(token)进行选择。这意味着模型在回答类似 “法国的首都是什么?” 这样的问题时,会从概率分布中选出 “巴黎” 作为答案。然而,许多用户发现,AI 的输出往往显得重复和单调。这种现象被称为模式崩溃,限制了模型的潜力,尤其在创意写作、沟通、策略和插图等领域。

VS 方法通过允许模型展示一组可能的响应及其相对概率,从而恢复了模型在基础预训练时的丰富多样性。研究团队的测试结果显示,在创意写作中,VS 相比标准提示提高了输出的多样性,同时保持了质量。在进行对话模拟时,使用 VS 的模型能够更好地模拟人类的思维变化和情感波动。在开放式问答任务中,模型生成的答案更接近真实世界的数据,展现出更大的多样性。

这一方法不仅在输出多样性上取得显著成效,还可以通过设置概率阈值来调节生成的多样性。用户可根据需求调整采样的阈值,来实现更具创意的输出。VS 的实现方式简便,无需对模型进行重训练,且支持多种大型语言模型,展示了其广泛的应用潜力。

划重点: 🌟 研究团队提出 “语言化采样” 方法,通过简单提示显著提升生成式 AI 的输出多样性。

✍️ 使用 VS 方法,AI 在创意写作、对话模拟等任务中展现出更丰富的人类相似性。

🚀 用户可通过调整概率阈值来进一步控制输出的多样性,简单易用,无需重训练模型。

(以上内容均由Ai生成)